Support vector machines have met wi

Support vector machines have met with significant success in numerous real-world learning tasks. However, like most machine learning algorithms, they are generally applied using a randomly selected training set classified in advance. In many settings, we also have the option of using pool-based active learning. Instead of using a randomly selected training set, the learner has access to a pool of unlabeled instances and can request the labels for some number of them. We introduce a new algorithm for performing active learning with support vector machines, i.e., an algorithm for choosing which instances to request next. We provide a theoretical motivation for the algorithm using the notion of a version space. We present experimental results showing that employing our active learning method can significantly reduce the need for labeled training instances in both the standard inductive and transductive settings.

ผลลัพธ์ (ไทย) 1:

สนับสนุนเครื่องแบบเวกเตอร์ได้พบกับความสำเร็จที่สำคัญในงานการเรียนรู้จริงมากมาย อย่างไรก็ตาม เช่นเครื่องส่วนใหญ่อัลกอริทึมการเรียนรู้ พวกเขาโดยทั่วไปใช้ใช้ฝึกอบรมโดยการสุ่มเลือกตั้งลับล่วงหน้า ในการตั้งค่าจำนวนมาก เรายังมีตัวเลือกของการใช้สระว่ายน้ำใช้งานเรียนรู้ แทนการใช้ชุดฝึกอบรมที่เลือกแบบสุ่ม ผู้เรียนได้เข้าถึงไปยังอินสแตนซ์ไม่ และสามารถขอป้ายชื่อจำนวนเหล่านั้น เราแนะนำอัลกอริทึมใหม่สำหรับการเรียนรู้การใช้งานกับเครื่องสนับสนุนเวกเตอร์ เช่น เป็นอัลกอริทึมสำหรับการเลือกอินสแตนซ์ที่จะร้องขอต่อ เรามีแรงจูงใจทฤษฎีสำหรับอัลกอริทึมที่ใช้แนวคิดพื้นที่รุ่น เรานำเสนอผลการทดลองแสดงว่า ใช้วิธีการเรียนรู้การใช้งานของเราสามารถลดความต้องการฝึกอบรมที่มีป้ายชื่ออินสแตนซ์ในทั้งสองการเหนี่ยว และ transductive การตั้งค่ามาตรฐาน

ผลลัพธ์ (ไทย) 2:

สนับสนุนเครื่องเวกเตอร์ได้พบกับความสำเร็จที่สำคัญในการเรียนรู้งานจริงของโลกจำนวนมาก อย่างไรก็ตามเช่นเดียวกับเครื่องมากที่สุดขั้นตอนวิธีการเรียนรู้ของพวกเขาจะถูกนำไปใช้โดยทั่วไปโดยใช้ชุดฝึกอบรมการสุ่มเลือกจัดล่วงหน้า ในการตั้งค่าจำนวนมากเรายังมีตัวเลือกของการใช้การเรียนรู้การใช้งานสระว่ายน้ำที่ใช้ แทนการใช้ชุดฝึกอบรมสุ่มเลือกผู้เรียนที่มีการเข้าถึงสระว่ายน้ำกรณีที่ไม่มีป้ายกำกับและสามารถขอฉลากสำหรับจำนวนของพวกเขาบาง เราแนะนำขั้นตอนวิธีการใหม่สำหรับการดำเนินการการเรียนรู้การใช้งานด้วยการสนับสนุนเครื่องเวกเตอร์คืออัลกอริทึมสำหรับการเลือกที่กรณีที่จะขอต่อไป เรามีแรงจูงใจทางทฤษฎีสำหรับขั้นตอนวิธีการใช้ความคิดของการเป็นพื้นที่รุ่น เรานำเสนอผลการทดลองแสดงให้เห็นว่าการใช้วิธีการเรียนรู้การใช้งานของเราอย่างมีนัยสำคัญสามารถลดความจำเป็นในการฝึกอบรมที่มีข้อความกรณีทั้งในการตั้งค่ามาตรฐานอุปนัยและ transductive

ผลลัพธ์ (ไทย) 3:

เครื่องเวกเตอร์สนับสนุนได้พบกับความสำเร็จที่สำคัญในการเรียนรู้มากมายจริงงาน แต่ชอบมากที่สุดอัลกอริทึมการเรียนรู้ของเครื่องจักร พวกเขาจะใช้โดยทั่วไปใช้สุ่มชุดฝึกอบรมจัดล่วงหน้า ในการตั้งค่าหลาย เรายังมีตัวเลือกของการใช้ < em > พูล < / em > การเรียนรู้จาก แทนการใช้สุ่มชุดฝึกอบรมผู้เรียนมีการเข้าถึงสระว่ายน้ำของอินสแตนซ์ที่ใกล้เคียง และสามารถขอป้ายหมายเลขของพวกเขา เราขอแนะนำวิธีใหม่สำหรับการใช้งานแบบสนับสนุนเวกเตอร์เครื่องจักร เช่น ขั้นตอนวิธีสำหรับการเลือกที่อินสแตนซ์เพื่อขอต่อไป เรามีทฤษฎีแรงจูงใจสำหรับขั้นตอนวิธีการใช้ความคิดของ < em > รุ่นอวกาศ < / em >เรานำเสนอผลการทดลองแสดงให้เห็นว่าการใช้วิธีเรียนของเราสามารถลดความจำเป็นในการติดป้ายชื่ออินสแตนซ์ ทั้งมาตรฐานและแบบ transductive การตั้งค่า